Predictive Counterfactuals for Treatment Effect Heterogeneity in Event Studies with Staggered Adoption

Das vorgestellte Papier trägt zu einer wachsenden Literatur über Anwendungen des maschinellen Lernens zur kausalen Inferenz bei. Der Autor konzentriert sich auf die Schätzung der Heterogenität von Behandlungseffekten, insbesondere für Ereignisstudien mit zeitlich variierenden Behandlungs-/Expositionsdaten (d.h. gestaffelte Adoption). Neuere ökonometrische Literatur zeigt, dass traditionelle Methoden der Wirkungsevaluation (wie Regressionen fester Effekte) in diesen Settings kurzfristig verzerrt sein können. Er stellt einen Ansatz vor, der nicht unter einer solchen Verzerrung leidet und der die Heterogenität effizienter wiederherstellen kann als Standardmodelle mit festen Effekten. Der erste Schritt des Ansatzes besteht darin, eine Verteilung der kontrafaktischen Effekte genau vorherzusagen, indem flexible Algorithmen des maschinellen Lernens nur auf Vorbehandlungsdaten angewendet werden. Dann ist es durch den Vergleich kontrafaktischer und wahrer Ergebnisse möglich, eine Verteilung der Behandlungseffekte abzuschätzen. Diese Effekte können für verschiedene Teile der Stichprobe zusammengefasst werden, wodurch die Heterogenität wiederhergestellt wird. Mit Simulationen zeigt der Autor, wie dieser Ansatz auch bei dynamischen (zeitlich veränderlichen) Behandlungseffekten genau und effizient sein kann. Er schließt mit einer Anwendung auf reale Daten aus einem großen Energieeffizienzprogramm für Privathaushalte in den USA. Während sich die bisherige Literatur auf die Schätzung durchschnittlicher Programmeffekte beschränkt, stellt er fest, welche Arten von Nachrüstungen mit höheren Energieeinsparungen verbunden sind. Diese Ergebnisse geben Aufschluss darüber, welche Upgrades zur Verbesserung der Kostenwirksamkeit des Programms angestrebt werden sollten.